这项技术是北京大学电子学院邱晨光-彭练矛团队在2026年2月发布的最新成果，核心在于“纳米栅极电场增强”。简单说，他们通过把栅极做到1纳米极限，利用尖端效应“放大”了电场，从而用极低的电压（0.6V）就能驱动铁电材料翻转，解决了传统铁电晶体管“高电压、高能耗”的痛点。 技术核心：为什么能大幅降功耗？ 传统铁电晶体管（FeFET）有个物理瓶颈：铁电材料像一块“硬骨头”，需要很强的电场（高电压）才能让它翻转状态（存储数据）。这导致它虽然速度快，但功耗大，且无法与现在主流的0.7V逻辑电路直接兼容。 北大团队的突破在于“纳米栅极”设计： * 原理：把栅极做到1纳米（原子尺度），利用纳米尖端的“避雷针效应”，将外部施加的微弱电压（0.6V）在局部汇聚成超强电场，轻松撬动铁电材料翻转。 * 效果：能耗降至0.45 fJ/μm，比国际最好水平低了一个数量级，且工作电压首次降到了逻辑电路的水平（0.6V vs 0.7V）。 应用举例：AI芯片的“存算一体”革命 这项技术最大的价值在于“存算一体”（CIM），能直接解决AI芯片的“内存墙”问题。 * 场景1：边缘AI设备（如手机、智能眼镜） * 痛点：传统芯片计算和存储是分开的，数据来回搬运耗电巨大，导致手机跑AI模型时发热严重、续航短。 * 应用：利用1纳米铁电晶体管，可以在芯片内部直接“就地计算”。数据不用来回跑，功耗极低，能让手机在运行大模型时保持凉爽，实现全天候的智能交互。 * 场景2：云端大模型推理 * 痛点：大模型参数巨大，传统架构下，GPU需要频繁从显存读取数据，导致算力浪费在“等待数据”上。 * 应用：将这种晶体管集成在AI加速器中，可以实现高密度、非易失的权重存储。断电后数据不丢失，开机即用，且计算密度极高，能大幅提升大模型的推理效率。 这项技术不仅打破了铁电材料“尺寸越小性能越差”的传统认知，还为国产AI芯片突破“卡脖子”的存储技术提供了全新的底层硬件基础。AI生成，（工具：夸克，腾讯元宝）配图是AI生成的，（工具：即梦）